WAV в текст
WAV не сжат, поэтому даёт нижнюю границу ошибки: хуже, чем на WAV, распознавание не станет ни на одном другом формате. Взамен вы платите размером — 10 МБ на минуту стерео.
Технические характеристики WAV
| Полное название | RIFF WAVE, несжатый PCM |
|---|---|
| Контейнер | RIFF (32-битное поле размера) |
| Кодеки внутри | PCM s16le, PCM s24le, PCM f32le, иногда GSM 6.10 или ADPCM |
| MIME-типы | audio/wav, audio/x-wav, audio/vnd.wave |
| Расширения | .wav, .wave, .bwf |
| Типичный битрейт | 1411 кбит/с |
| Частота дискретизации | 44 100 Гц, стерео 16 бит |
| Сжатие | без потерь |
| Демультиплексирование | не нужно |
| Лимит на файл | 4 ГБ — это примерно 396 минут при типичном битрейте |
| Минут в 1 ГБ | 99 |
Что конвейер делает именно с WAV
- Проверяем подтип RIFF: кроме привычного PCM в .wav может лежать GSM 6.10 или IMA ADPCM — их декодируем отдельным путём, а не читаем как PCM (иначе получился бы белый шум).
- 24- и 32-битные файлы с профессиональных рекордеров приводим к 16 битам с дизерингом, а не отбрасыванием младших бит.
- Многоканальные записи (4 и 8 дорожек с Zoom H6, Tascam) не суммируем вслепую: считаем RMS по каналам и отбрасываем каналы с уровнем ниже −45 дБFS — обычно это неподключённые входы.
- BWF-чанк bext читаем ради поля TimeReference: если запись велась синхронно с камерой, таймкоды расшифровки сразу совпадают с монтажным таймкодом.
Откуда берутся такие файлы
- Рекордеры Zoom H1n/H5/H6, Tascam DR-40X
- Экспорт из Audacity и Reaper
- Записи с петличных микрофонов на съёмке
- Выгрузка из систем протоколирования судебных заседаний
Грабли, о которых стоит знать заранее
- Жёсткий потолок 4 ГБ
Поле размера в RIFF 32-битное. Стерео 44,1 кГц/16 бит упирается в потолок примерно на 6 часах 45 минутах, а 24 бит/48 кГц — уже на 3 часах 45 минутах. Длинные заседания пишите в RF64 или W64, либо сегментами.
- Заголовок «0 байт данных» у оборванной записи
Если рекордеру выключили питание, поле длины в заголовке осталось нулевым и плееры показывают 0:00. Мы игнорируем заголовок и читаем поток до конца файла, так что запись восстанавливается целиком.
- Неподключённый канал с наводкой 50 Гц
Пустой вход рекордера ловит сетевую наводку. При простом суммировании она попадает в микс и сдвигает нормализацию. Мы такие каналы выбрасываем по RMS до суммирования.
Как формат влияет на точность
WAV — эталон: 8,3% среднего WER по бенчмарку GigaAM и 3,9% на записях с хорошего микрофона. Любое сжатие может только ухудшить этот результат.
| Модель | Средний WER, % | Далёкий микрофон | Кол-центр |
|---|---|---|---|
| GigaAM v3 RNNT (Сбер, MIT)используем мы | 8,3 | 3,9 | 9,5 |
| GigaAM v2 RNNT | 10,6 | — | — |
| T-one + LM (Т-Банк, Apache-2.0) | 16,3 | — | — |
| Whisper large-v3 | 21 | 16,4 | 23,1 |
Проверка файла и расчёт стоимости
Файл не загружается и никуда не отправляется: длительность читает ваш браузер локально. Ограничения показаны для WAV.
Отменять ничего не нужно: у нас нет автопродления и мы не храним данные платёжных карт.
Частые вопросы
- Стоит ли конвертировать WAV в MP3 перед загрузкой, чтобы быстрее залилось?
- Если канал узкий — да, MP3 192 кбит/с практически не портит результат и уменьшает файл в 7 раз. Ниже 96 кбит/с уже не стоит.
- У меня 8-канальная запись с рекордера. Что вы сделаете?
- Отбросим пустые каналы по уровню и суммируем оставшиеся. Если нужно распознать каждый микрофон отдельно (по спикеру на канал) — загрузите каналы отдельными файлами, это точнее любой диаризации.
- Сколько минут WAV помещается в гигабайт?
- При 1411 кбит/с — около 99 минут. Поэтому лимит 4 ГБ на WAV — это примерно 6,5 часов стерео.